【摘 要】
：
为揭示温度对大叶藻（Zostera marina）生长、叶绿素荧光参数及其光合色素含量的影响规律，设置了10 ℃、15 ℃、20 ℃、25 ℃、30℃等5个处理组，以分析大叶藻在不同温度条件下的生长指标（鲜重、叶片数、叶长、根数和根长）、叶绿素荧光参数（Fv/Fm、Y(ll)、qP、NPQ）及其光合色素（叶绿素a、叶绿素b、叶绿素总量及类胡萝卜素）含量的变化。结果显示：（1）大叶藻的各生长指标在1
论文部分内容阅读
为揭示温度对大叶藻（Zostera marina）生长、叶绿素荧光参数及其光合色素含量的影响规律，设置了10 ℃、15 ℃、20 ℃、25 ℃、30℃等5个处理组，以分析大叶藻在不同温度条件下的生长指标（鲜重、叶片数、叶长、根数和根长）、叶绿素荧光参数（Fv/Fm、Y(ll)、qP、NPQ）及其光合色素（叶绿素a、叶绿素b、叶绿素总量及类胡萝卜素）含量的变化。结果显示：（1）大叶藻的各生长指标在10 ℃～15 ℃时均呈升高趋势组，在20 ℃时，鲜重显著增加，根数显著降低，叶片数、叶长和根长升高不明显
其他文献
针对实际选煤生产中，原煤自身干湿状况以及受潮湿、雨淋、喷淋、冲洗等影响，导致煤和矸石表面含水量不同，煤矸图像特征变化大的问题，通过试验法研究了不同外在水分下煤和矸石图像灰度和纹理特征参数的变化规律。设计试验方案并搭建图像采集系统，分别建立煤、矸石外在水分由饱和至干燥7种不同状态下的图像样本库。选取干燥状态下煤矸图像特征差异较大的9种特征参数，提取各参数在不同外在含水率下的值分析得出，含水率较低时，
飞秒激光在微加工过程中衍生等离子体的亮度特征可作为实时反馈的测量信号，故研究光斑亮度特征并构造细节信息丰富的高质量亮度变化曲线异常重要。首先，针对光斑图像信噪比低，目标区域边缘模糊的情况，采用改进小波阈值去噪法对光斑图像进行滤波处理，在不改变光斑亮度水平的情况下，得到边缘对比度较高的平滑光斑。其次，采用K均值聚类方法分割光斑图像，将表现为噪声的光晕部分分割出去，只保留亮度有效区域。再次，提取光斑序
以黄河口潮间带芦苇湿地为研究对象，在夏、秋和春季分别采集0～10 cm、10～20cm、20～30 cm和30～50 cm的土壤样品，研究黄河口潮间带芦苇湿地土壤生源要素总氮（TN）、总磷（TP）、总硫（TS）和总钾（TK）含量及储量的时空动态变化特征及其影响因素。结果表明：研究区0～50cm土壤剖面中TN和TS含量变化范围分别为68.19～421.29mg·kg~(-1)和356.15～935.
为了解决在压敏电阻表面缺陷检测中缺陷样本采集困难以及检测精度差的问题，提出了一种采用深度卷积变分自编码器(Deep Convolutional Variational AutoEncoder，DCVAE)的无监督表面缺陷检测方法，用于压敏电阻表面缺陷的检测。预处理阶段利用去背景、规范化以及图像差分技术对原始图像进行处理，精准提取出了差分图像，消除了无关数据特征对算法的影响。为了提升缺陷检测的精度，
针对小样本数据集条件下深度学习算法的方案图像智能决策限制的问题，提出了一种基于胶囊网络的产品形态设计决策模型。应用人工智能方法搭建基于产品形态语义的多视角图像数据集，并将数据集图像进行预处理和特征提取。再利用卷积层学习得到图像特征，将不同卷积层中的若干特征划分为一组，生成具有丰富语义特征的主胶囊。利用动态路由算法获取一组数字胶囊，完成整个胶囊网络模型。最后，通过对数据集的训练提高模型识别性能，从而
短焦深空间光学系统受发射和工作环境的影响,易出现随机的离焦误差,导致成像质量严重下降。针对传统的寻焦方法速度慢、抗噪声干扰能力差的问题,提出一种可用于遥感图像的离焦深度探测法。该方法在仅通过不同位置获取两幅离焦图像的基础上,通过卷积、反卷积变换,能够较为准确地估计系统的离焦量。在无噪声和具有11.5d B随机噪声两种情况下,17倍焦深范围内,估计离焦量的误差均值分别优于7%和10%,可以使成像探测
由于复杂背景环境和病斑相似性的影响，苹果叶部病害特征间存在细微的类间差异以及较大的类内差距，给苹果叶部病害识别造成极大困难。针对以上问题，提出了一种新型双分支网络的苹果叶部病害识别方法（dual branch network， DBNet）。DBNet的双分支网络结构由多尺度联合分支以及多维度注意力分支构成。首先多尺度联合分支通过不同类型卷积核和跨层连接融合不同尺度层级间的病害特征，用于缓解复杂背
针对于当前微表情自动识别准确率较低和微表情样本数量不足的问题，提出一种结合迁移学习技术与可分离三维卷积神经网络(S3D CNN)的微表情识别方法。首先通过光流法提取宏表情和微表情视频样本的光流特征帧序列；然后利用宏表情样本的光流特征帧序列对S3D CNN进行预训练；最后利用微表情样本的光流特征帧序列微调模型参数。提出的方法采用的S3D CNN由二维空域卷积层加一维时域卷积层组成的可分离三维卷积层构
头部行为是个体行为的重要组成部分，在课堂环境下对于学生的行为来说更是如此。使用传统的RGB视频图像进行头部行为识别有着许多限制，例如背景的干扰和光线的变化等，而深度图像可以通过包含的深度信息很好的处理这些问题。针对课堂环境下的头部行为识别问题，受到李群理论的启发，提出了一种从深度图像中提取李群特征表示的模型，并且使用该李群特征完成了头部行为识别任务。首先，从深度图像中获取脸部的关键点及关键段信息，
针对U-Net分割算法存在对图片中的细节不敏感和割裂局部和整体一致性的问题，本文提出了一种基于可变形卷积改进的D-Unet深度神经网络。D-Unet模型根据鼻腔鼻窦肿瘤空间形变特点，将可变形卷积融合进U-Net网络，利用其可以依据目标形态拥有自适应的感受野，充分学习图像细节，提升了特征提取的能力；使用Tversky作为损失函数，用以解决数据集样本失衡问题，获得了更高的灵敏度和泛化能力；并且为了便于